努力努力再努力@李-CSDN博客

原创 A/D转换原理

一般的A/D 转换过程是通过这三个步骤完成的，即首先对输入的模拟电压信号采样，采样结束后进入保持时间，在这段时间内将采样的电压量转化为数字量，并按一定的编码形式给出转换结果，然后开始下一次采样。

2024-04-09 18:59:48 506

原创中断服务程序模板

①对 TMOD赋值,以确定TO和T1的工作方式。②计算初值,并将初值写入THO、TLO或TH1、TL1。③中断方式时，则对IE赋值，开放中断。④使TRO或TR1置位，启动定时器/计数器定时或计数。

2024-04-01 23:30:49 522

原创郭天祥新概念51单片机（第二期读书笔记）

锁存器工作原理及其作用；了解两个关键字

2024-03-26 23:12:25 236

原创代码开源！Multiscale Kernel Based Residual Convolutional Neural Network for Motor Fault Diagnosis Under N

本文针对非平稳状态下电机信号的特殊物理特性，提出了一种基于多尺度核的残差卷积神经网络(CNN)用于电机故障诊断。我们的贡献主要有两个方面。首先，我们注意到由于电机运行条件的变化，每个电机故障类别在振动信号中都有不同的模式。为了捕获这些模式，在CNN体系结构中应用了多尺度核算法。其次，由于电机振动信号是由来自不同传输路径的许多不同分量组成的，因此它们是非常复杂和可变的。为了使体系结构能够从深度和层次表示空间中提取故障特征，需要足够的网络深度，然后当网络深度过深时将导致退化问题。

2023-05-16 16:35:01 491

翻译代码已开源！多分支多尺度CNN在强噪声变载荷条件下轮对轴承故障诊断中的应用

高速列车轮对轴承故障诊断的关键问题是从振动信号中提取故障特征。针对复杂度高、耦合性强、信噪比低的振动信号，提出了一种新的多分支多尺度卷积神经网络，能够从振动信号的多个信号分量和时间尺度中自动学习和融合丰富且互补的故障信息。该方法结合了传统的滤波方法和多尺度学习的思想，可以扩展特征学习过程的广度和深度。因此，所提出的网络可以得到更好的性能。在轮对轴承数据集上的实验结果表明，该方法具有较好的抗逆能力和载荷域适应性，与现有的5种网络相比，可以更准确地诊断12种故障类型。

2023-05-16 13:48:52 1106 8

原创跨属性自适应网络：从多个采样频率源域中提取可转移特征，用于风力涡轮机齿轮箱的故障诊断

风力涡轮机齿轮箱的振动信号通常在各种采样频率下收集。然而，大多数传统的域自适应方法（用于提高有限或未标记数据集的故障诊断精度）仅考虑具有相同采样频率的单个源域。该文提出一种新型域不变特征学习方法，即跨属性自适应网络（CAAN），其中具有特定采样频率的每个源域具有单独的特征学习和自适应模块。具体来说，该文开发了一种具有注意力机制的多分支框架，分别学习和权衡多个采样频率数据的特征。然后，将多个分类器和域之间的差异最小化，以建立精确的决策边界。

2023-04-12 14:56:04 293